“ 監督學習，無監督學習與神經網絡既有聯系，又有區別”

在學習機器學習的過程中，監督學習，無監督學習和深度學習是我們經常碰到幾個名詞。但很多人弄明白它們之間的關系，也不知道它們都能解決什么問題。

01、什么是監督學習，無監督學習和深度學習？

機器學習是實現人工智能的一種方式，今天只從機器學習的角度來討論監督學習，無監督學習和深度學習的關系。

簡單來說，機器學習從學習方式來說，分為監督學習，無監督學習，半監督學習和強化學習。

深度學習也屬于機器學習，只不過其是通過模仿人類神經元構造的神經網絡模型，因為神經網絡模型可以具有多層神經網絡，因此又叫深度學習。

所以說，監督學習和無監督學習是兩種不同的學習方法，而深度學習是一種實現機器學習的方式。

舉例來說，監督學習相當于有老師教，老師會告訴你怎么學，什么是對的，什么是錯的。而無監督學習相當于自學，沒人告訴你應該怎么學，學成什么樣。而深度學習就相當于是看書學習，還是看視頻學習，還是討論學習。

因此，深度學習即可以是監督學習，也可以是無監督學習；同樣，監督學習和無監督學習即可以是深度學習，也可以不是深度學習。

什么是監督學習和無監督學習？

監督學習和無監督學習最直接的體現就是數據標注和學習目標的區別。

監督學習的特點是其訓練數據需要進行標注，比如你想訓練一個識別貓狗的模型；你就要告訴模型，哪些照片是貓，哪些照片是狗。比如，把貓的照片放到一個文件夾，狗的照片放一個文件夾，然后文件夾的名字就是貓和狗。

這樣，文件夾的名字就是數據的標注/標簽；而里面的照片就是訓練數據。這就是監督學習，你要告訴它數據的標注是什么，然后模型就可以根據標簽去提取照片特征，然后就知道了什么是貓，什么是狗。

無監督的特點就是不需要給數據標注，讓它自己進行識別。比如，你弄了一堆貓狗的照片混合在一起，交給模型；這時模型會根據自己的算法去給照片進行分類。

這時，模型可能會把這些照片分成一類或多種類別，雖然模型也不知道這些類別是什么。比如，模型發現它們身上都有毛，并且都是四肢著地，這時就可能把它們歸為有毛的一類。

模型也可能會發現，雖然它們身上都有毛并且四肢著地，但其中一種動物的嘴巴是長的，另一個是扁的。這時就可能會把它們分為兩類。

所以，無監督學習的目標和監督學習不同；監督學習是有具體的學習目標，知道需要認出狗和貓。而無監督學習它不知道什么是貓，也不知道什么是狗，只知道根據數據的特點，做出自己的判斷。

因此，監督學習和無監督學習的應用場景也不同。舉個生活中的例子，比如你是班長，老師突然丟給你一堆學生的資料，然后讓你按照性別把資料給分開，這就是監督學習。

而同樣的老師丟給你一堆學生資料，然后讓你整理一下，也沒告訴你按什么標準整理。這時，你只能按照自己的經驗，按性別分為一類，按住址分為一類，按照成績，是否逃課等等標準進行分類，這種行為也叫做聚類。這時就需要用到無監督學習。

基于神經網絡的監督學習代碼如下：

上面兩個例子很好的說明了監督學習和無監督學習的區別，一個目標明確知道自己該干什么，一個目標不明確，也不知道該干什么，只能根據自己的經驗盡可能的把它弄好。

可能有人會有疑問，無監督學習這種情況也沒有明確目標，那做的有什么意義呢？也不知道有沒有用，不是在浪費時間嗎？

例來說，互聯網中每天都會產生巨大的數據量，這些數據中到底隱藏著什么東西，我們沒人知道。而如果我們進行人工處理，這需要多大的工作量，哪怕是使用大數據技術去處理，這也只能根據我們人類的經驗去對這些數據進行分門別類。

但如果交給無監督學習模型，它就會根據自己的算法，用它自己的方式去處理這些數據，這時就有可能會在我們人類想象不到的角度發現問題。就類似于小孩子，雖然他們的行為不受控制，并且出乎意料，但有時也會給我們帶來意想不到的驚喜和驚嚇。

至于深度學習，如果把監督學習和神經網絡結合就可以訓練出一個具有明確目標的神經網絡模型；而如果把無監督學習和神經網絡結合，那么就會訓練出一個處理未知數據能力的模型。

02、監督學習和無監督學習常見的方法

監督學習

監督學習常見的方法有以下幾種：

• 分類
• 回歸
• 序列標注

分類常見算法有以下幾種：

• 支持向量機
• K鄰近算法
• 決策樹
• 隨機深林
• 神經網絡

回歸類常見算法有：

• 線性回歸
• 多項式回歸
• 支持向量回歸
• 神經網絡

序列標注算法有：

• 馬可夫模型
• 條件隨機場
• 循環網絡

無監督學習

而無監督學習方法主要有：

• 聚類
• 降維
• 異常檢測
• 生成模型

聚類常見算法有：

• k均值聚類（k-Means Clustering）
• 層次聚類（Hierarchical Clustering）
• DBSCAN

降維常見算法有：

• 主成分分析（Principal Component Analysis, PCA）
• t分布鄰域嵌入（t-Distributed Stochastic Neighbor Embedding, t-SNE）
• 自編碼器（Autoencoder）的編碼部分

異常檢測常見算法有：

• 基于統計方法如均值和標準差
• 基于距離的方法如k近鄰算法
• 基于密度的方法如LOF（Local Outlier Factor）

生成模型常見算法有：

• 生成模型主要是無監督學習使用神經網絡模型實現。
• 自編碼器
• 變分自編碼器（Variational Autoencoder, VAE）
• 生成對抗網絡（Generative）

目前來看，無監督學習的主要難點在于損失的計算；因為無監督學習沒用標注也就導致其沒有一個標準的判斷條件，直接導致你無法判斷模型訓練的到底效果怎么樣，只能在實際數據中去評估測試，所以無監督學習目前還有很大的缺陷。

不過無監督學習在生成模型方面有巨大的市場潛力，比如在藝術處理，聲音合成和圖片/視頻生成等領域。

本文轉載自公眾號AI探索時代 作者：DFires

原文鏈接：??https://mp.weixin.qq.com/s/W2qZN7yIy5Pzazt0LQw4mw??